REVIEW

Materi Mata Kuliah Statistika 2

Pertemuan-7_ UTS

1
 Distribusi Binomial
• Distribusi Binomial atau distribusi Bernoulli adalah suatu distribusi teoritis yang menggunakan
variabel acak diskrit yang terdiri dari dua kejadian yang berkomplemen, seperti sukses-gagal, baik-
cacat.
• Distribusi Binomial : 𝑋 ~ 𝐵(𝑛 ; 𝑝).
o X = variabel acak diskrit mengikuti distribusi Binomial
o n = percobaan
o p = probabilitas “sukses” ; q = (1 – p) probabilitas “gagal”

• Banyaknya percobaan yang menghasilkan x sukses dari n percobaan = nCx .

• Maka probabilitas menghasilkan x sukses adalah :
𝑛
𝑃 𝑋=𝑥 = 𝑥 𝑝 𝑥 𝑞 (𝑛 −𝑥 ) ; dimana x = 0,1,2, …, n
• 𝑋~𝐵(𝑛; 𝑝)  Mean :  = E (x) =  x.p(x) = n.p
;
Variansi: 2 = E [x - E( x )]2 = n.p(1-p)

2
 Distribusi Poisson
• Menghitung distribusi Binomial dimana n sangat besar dan probabilitas sukses (p)
sangat kecil.
• Aturan yang diikuti oleh kebanyakan ahli statistika adalah bahwa n cukup besar
dan p cukup kecil, jika n = 20 dan p = 0.05 atau n >20 dan p < 0.05.
• Untuk kejadian Binomial yang jarang terjadi dengan n besar dan probabilitas
“sukses” = p kecil, maka fungsi Binomial dapat didekati dengan Distribusi
Poisson.
Probabilitas k ‘sukses’ dari n percobaan :
dimana: e=2,71828....; x = 0, 1, 2, 3, ... dan  =  = n.p
• Untuk kejadian terkait dengan t = unit waktu, digunakan rumus Proses Poisson:

3
 Distribusi Normal
• Fungsi kepadatan probabilitas distribusi normal

• Fungsi f(x;μ,σ2) dapat dibaca bahwa peubah acak x mengikuti distribusi normal dengan rata-rata μ
dan varian σ2 , dapat ditulis menjadi X∼N(μ,σ2).
• Luas daerah di bawah kurva normal untuk -  X   :

• Luas daerah di bawah kurva Normal = nilai probabilitas: P( -  X  ) = P(-< X < ) = 1

• Untuk X  N(; 2) 

• Tranformasi X dengan Normal Standard:
(𝑋 − 𝜇 )
• 𝑍=  ; nilai probabilitas dalam Tabel Normal Standard
𝜎

4
 Distribusi Normal Standard

• Untuk X  N(; 2) 

(𝑋 − 𝜇 )
• Tranformasi X dengan Normal Standard: X𝑍 𝜎
=
• Dimana

• -2 -  + +2 X

• -2 -1 0 1 2 Z

• P(x1 X  x2) = P(z1  Z  z2) ; nilai probabilitas dalam Tabel Normal Standard

5
 Probabilitas Normal Standard
a) b)

• - 0  0
• P(-  Z  ) = 1 P(Z  0) = P(Z  0) = 0,5

c) d)

• P(0  Z  z1) = lihat Tabel Normal Standard P(Z  z1) = 0,5 + P(0  Z  z1)

6
 Probabilitas Normal Standard
• e) f).

z1 0 z2 0 z1 z 2 z2 z1 0

e) P(z1  Z  z2) = P(0  Z  z2) + P(0  Z  z1)

f) P(z1  Z  z2) = P(0  Z  z2) – P(0  Z  z1)

g). h).

g) P(Z  z1) = 0,5 – P(0  Z  z1 0 z1

z1). 0
h) P(Z  z1) = 0,5 – P(0  Z  z1)
7
 Distribusi Sampling Mean

1) Distribusi Sampling Mean dari populasi terbatas N, sampeldengan

pengembalian: 𝑋ഥ: 𝑥ҧ1, 𝑥2ҧ , 𝑥3ҧ ,2 … , 𝑥𝑁ҧ 𝑛
𝜎 𝜎
2
Mean: 𝜇𝑋ത = 𝜇 dan Variansi: 𝜎 𝑋ത = 𝑛 dan 𝜎ത𝑋 = 𝑛

2) Distribusi Sampling Mean dari populasi terbatas N, sampel

pengembalian: 𝑋ഥ: 𝑥1ҧtanpa
, 𝑥ҧ2 , 𝑁 𝜎 2
𝑛
= 𝜎
𝑥ҧ ,
3 𝜇
Mean: … , 𝑥
ҧ 2
= 𝜇𝐶 dan Variansi: 𝜎 𝑁−𝑛 dan 𝜎 = 𝑁−𝑛
ത
𝑋 𝑛 𝑁 −1 ത
𝑋 𝑛
𝑁 −1
ത
𝑋
3) Untuk ukuran populasi N tak terbatas/sangat besar ( ) maka (N-n)/(N-1)
akan mendekati 1, sehingga: 2 𝜎
= 𝜎
Mean: 𝜇ത = 𝜇 ; Variansi: 𝜎2 dan 𝜎ത =
𝑋 𝑛 𝑋 𝑛
ത
𝑋
8
 Distribusi Sampling Selisih Mean 𝑋ത𝐴 −
𝑋ത𝐵populasi tak terbatas (besar) dan populasi terbatas
1) Untuk N, sampel n
dengan pengembalian, maka distribusi sampling selisih mean:

𝑋ത𝐴− 𝑋ത𝐵; mempunyai mean: 𝜇𝑋ത𝐴−𝑋ത𝐵 = 𝜇1 − 𝜇2 dan variansi:

= 𝜎2𝑋ത + 𝜎2𝑋ത ; std deviasi: 𝜎𝑋ത ത 𝜎 12 𝜎 22
2
𝜎 𝑋ത𝐴−𝑋ത𝐵 = +
𝐴 𝐵
−𝑋 𝐵 𝑛1 𝑛 2 maka distribusi sampling
2) Untuk populasi terbatas N, sampel n tanpa pengembalian,
𝐴

selisih mean:

𝑋ത𝐴− 𝑋ത𝐵; mempunyai mean: 𝜇𝑋ത𝐴−𝑋ത𝐵 = 𝜇1 − 𝜇2 dan variansi:

𝜎2𝑋ത ത = 𝜎2𝑋ത + 𝜎2𝑋ത ; std deviasi: 𝜎𝑋ത ത = 𝜎2𝑋ത + 𝜎2𝑋ത
𝐴 −𝑋 𝐵 𝐴 𝐵 𝐴−𝑋 𝐵 𝐴
𝐵
𝜎1 2 𝜎2 2
= =
dimana 𝜎 2 𝑋ത 𝑁 1 −𝑛 1 dan 𝜎 2 𝑋ത 𝑁 2 −𝑛 2
𝐴 𝑛1 𝑁1−1 𝐵 𝑛2 𝑁2−1

9
 Transformasi Normal standard
• Variable random X dengan mean  dan standard deviasi :
X  𝑍 = 𝑋 𝜎−𝜇
𝜎
• Distribusi sampling mean 𝑋ത dengan mean: 𝜇𝑋ത = 𝜇 dan 𝜎ത �
𝑋
= ത
𝑋 − 𝜇ത𝑋 ത
𝑋 − 𝜇 𝑛 ത
𝑋 �
ത
𝑋 →𝑍= = =
𝜎
𝜎𝑋ത
−𝜇 𝑛
𝜎
• Distribusi sampling selisih mean:
𝑋ത𝐴 −𝑋ത𝐵 −𝜇 ഥ𝑋
𝑋ത𝐴−𝑋ത𝐵 − 𝜇 1 −𝜇 2
𝑋𝐴 − 𝑋ത𝐵 → 𝑍 = 𝜎𝑋ഥ 𝐴
ഥ𝐵 −𝑋ഥ 𝜎 12
ത 𝐴 −𝑋 𝐵=
𝜎 22

𝑛1
+𝑛 10
2
 Distribusi Sampling Satu Proporsi
• Andaikan sebuah populasi tak hingga dan probabilitas terjadinya suatu peristiwa
“sukses” =  dan peristiwa “gagal” : (1 – ).
• Populasi berdistribusi Binomial dengan mean: 𝜇 = 𝜋; simpangan baku/standard
deviasi 𝜎 = 𝜋 1−𝜋 .
• Jika kita memilih semua kemungkinan sampel dengan ukuran n
tertentu, distribusi dari semua kemungkinanproporsi “sukses” dalam
sebagai
sampel Distribusi
disebut Sampling Dari Proporsi. Distribusi sampling dari
mengikuti distribusi Binomial.
proporsi
• Distribusi sampling dari proporsi: 𝑃: 𝑝1 , 𝑝2 , 𝑝3 , … ,
𝑝𝑘 𝜋 1−𝜋
Mean: 𝜇𝑃 = 𝜋 dan variansi: 𝜎 2 𝑃 = 𝜋(1−𝜋)
𝑛
; standard deviasi: 𝜎 = 𝑛
𝑃
 Mean (P) dan Std Deviasi (P)

𝜋(1−𝜋)
• Populasi tak terbatas: 𝜇𝑃 = 𝜋 dan 𝜎𝑃 𝑛
=
• Populasi terbatas N, sampel dengan pengembalian:

𝜋(1−𝜋)
𝜇𝑃 = 𝜋 dan 𝜎𝑃 = 𝑛

• Populasi terbatas N, sampel tanpa pengembalian atau jika 𝑛 > 5%:

𝑁

𝜋 (1−𝜋 𝑁 −𝑛
𝜇𝑃 = 𝜋 dan 𝜎𝑃 = ) 𝑛 .
𝑁 −1

12
 Transformasi Normal standard
𝜎
• Distribusi sampling mean 𝑋ത dengan mean: 𝜇ത
𝑋 = 𝜇 dan 𝑛
𝜎ത
𝑋 =

• Kita dapat menggunakan Distribusi Normal untuk memperkirakan Distribusi Binomial ketika n
dan n (1 –  )
• Jika kedua bilangan ini 10, atau untuk n30 dan kedua bilangan tersebut 5, maka kita
dibenarkan menggunakan pendekatan normal, distribusi sampling sangat mendekati distribusi
Normal, sedangkan pendekatan distribusi Normal terhadap distribusi Binomial adalah :
• 𝐵 𝑛, 𝑝 ≈ 𝑁 𝜇; 𝜎 2 dengan 𝜇𝑃 = 𝑛𝜋 dan 𝜎𝑃 = 𝑛𝜋 1 − 𝜋
• Distribusi sampling proporsi:
𝑛𝑝 − 𝜇𝑃 𝑛𝑝 − 𝑛𝜋 𝑛(𝑝 − 𝜋) 𝑝−𝜋
𝑃→𝑍= = =
𝜎𝑃 𝑛𝜋(1 − 𝜋) 𝜋(1 − 𝜋) 𝜋(1 − 𝜋)
= 𝑛
𝑛 𝑛

13